葉玉雙 楊潔

摘? 要： 車標(biāo)識(shí)別系統(tǒng)作為智能交通的一個(gè)重要組成部分，可以幫助有關(guān)部門提前發(fā)現(xiàn)可疑車輛。文章采用Adaboost算法訓(xùn)練級(jí)聯(lián)分類器，通過(guò)提取方向梯度直方圖（HOG）特征進(jìn)行各類車標(biāo)分類器的訓(xùn)練，再對(duì)分類器識(shí)別出的區(qū)域作進(jìn)一步篩選，排除誤檢區(qū)域。此方法實(shí)現(xiàn)的車標(biāo)識(shí)別系統(tǒng)，能夠有效地識(shí)別出車標(biāo)，具有實(shí)際應(yīng)用價(jià)值。

關(guān)鍵詞： 車標(biāo)識(shí)別; HOG特征; OpenCV圖像處理; Adaboost算法; MFC

中圖分類號(hào)：TP391? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2020）12-06-04

Abstract： As an important part of intelligent transportation， vehicle logo recognition system can help relevant departments to detect suspicious vehicles in advance. In this paper， AdaBoost algorithm is used to train cascaded classifiers， and gradient direction histogram （HOG） features are extracted to train all kinds of vehicle logo classifiers， and then the regions identified by the classifiers are further screened to eliminate the false detection areas. The vehicle logo recognition system realized by this method can effectively identify the vehicle logo and has practical application value.

Key words： vehicle logo recognition; HOG features; OpenCV image processing; Adaboost algorithm; MFC

0 引言

車標(biāo)識(shí)別系統(tǒng)作為智能交通的重要組成部分，在交通管控中對(duì)違法犯罪行為起到一定的預(yù)警作用，幫助管理部門提前發(fā)現(xiàn)可疑車輛。此外，在日常的消遣娛樂(lè)中，車標(biāo)識(shí)別技術(shù)同樣也能發(fā)揮極大作用。例如在遇到不認(rèn)識(shí)的車標(biāo)但又無(wú)法清楚描述車標(biāo)樣式時(shí)，便可借助車標(biāo)識(shí)別系統(tǒng)進(jìn)行識(shí)別;或是在教學(xué)時(shí)利用此技術(shù)來(lái)增加車輛相關(guān)理論課程的教學(xué)趣味性;還能幫助人們?cè)谫?gòu)買汽車時(shí)了解汽車品牌、價(jià)格，以及汽車性能、特點(diǎn)等問(wèn)題。

現(xiàn)今對(duì)車標(biāo)識(shí)別技術(shù)的研究一般包括了定位和識(shí)別兩個(gè)步驟。而其中較為普遍的定位方式是先以車牌或車頭燈的位置又或是兩者結(jié)合來(lái)確定車標(biāo)的大致區(qū)域，再對(duì)區(qū)域進(jìn)行邊緣檢測(cè)，確定車標(biāo)的精確位置 [1-3]。另一方面，現(xiàn)有的識(shí)別方法中被廣泛應(yīng)用的特征有方向梯度直方圖（Histogram of Oriented Gradient，HOG） [4-5]，局部二值模式（Local Binary Pattern，LBP）[5-6]，尺度不變特征轉(zhuǎn)換（scale-invariant feature transform，SIFT）[7]等，大多是通過(guò)邊緣特征提取來(lái)實(shí)現(xiàn)車標(biāo)的分類，但如果遇上分辨率較低的圖像，邊緣提取便成了件難事。而文獻(xiàn)[8]提出的基于卷積神經(jīng)網(wǎng)絡(luò)（CNN Convolutional Neural Network）模型的方法，雖解決了分辨率的難題，但又出現(xiàn)了訓(xùn)練時(shí)間過(guò)長(zhǎng)的問(wèn)題。

本文在學(xué)習(xí)和借鑒了原有的車標(biāo)識(shí)別算法后，從實(shí)際應(yīng)用角度出發(fā)，進(jìn)行了進(jìn)一步優(yōu)化。一方面，在訓(xùn)練過(guò)程中，準(zhǔn)備充足的正、負(fù)樣本，通過(guò)更改樣本比例等方式訓(xùn)練不同的車標(biāo)分類器進(jìn)行測(cè)試，力求獲取最優(yōu)的識(shí)別分類器。另一方面，在對(duì)圖像識(shí)別前，對(duì)傳入的靜態(tài)圖像進(jìn)行多種預(yù)處理測(cè)試，獲取最佳的幾種預(yù)處理方案，以此盡可能地提高車標(biāo)識(shí)別系統(tǒng)在面對(duì)不同情境下的識(shí)別準(zhǔn)確率。

1 圖像預(yù)處理

本系統(tǒng)采用灰度化、歸一化、圖像濾波、scharr邊緣檢測(cè)的方式進(jìn)行圖像預(yù)處理操作。圖像某類車標(biāo)的識(shí)別具體流程如圖1所示。

1.1 高斯濾波

高斯濾波對(duì)于服從正態(tài)分布的噪聲有較好的抑制效果，能夠更好地保留細(xì)節(jié)。本系統(tǒng)根據(jù)所訓(xùn)練分類器的不同效果，確定了各分類器采用的高斯模板，并由此減少了部分車標(biāo)識(shí)別不全和識(shí)別不出情況的出現(xiàn)。如圖2（a）為未使用高斯濾波進(jìn)行預(yù)處理時(shí)系統(tǒng)未能識(shí)別出車標(biāo)區(qū)域的效果，圖2（b）為使用高斯濾波后成功識(shí)別出車標(biāo)區(qū)域的效果，圖2（c）為圖像未使用此預(yù)處理時(shí)未能完整識(shí)別車標(biāo)區(qū)域的效果，而圖2（d）為使用此預(yù)處理后完整識(shí)別出車標(biāo)區(qū)域的效果。

1.2 Scharr邊緣檢測(cè)

在同樣3×3的內(nèi)核情況下，Scharr濾波器的檢測(cè)精度高于Sobel算子，且檢測(cè)速度與其相同。另外，本系統(tǒng)也分別采用Sobel、Scharr、Laplace、Canny邊緣檢測(cè)的方式，進(jìn)行了識(shí)別效果的對(duì)比，最終選用Scharr檢測(cè)生成的邊緣特征圖進(jìn)行車標(biāo)識(shí)別，并有效提高了車標(biāo)的檢測(cè)率。如圖3（a）為未采用邊緣檢測(cè)時(shí)的系統(tǒng)識(shí)別效果，可見(jiàn)，面對(duì)光線較暗、圖像梯度不明顯的情況，系統(tǒng)未能實(shí)現(xiàn)有效識(shí)別，圖3（c）為使用圖3（b）進(jìn)行車標(biāo)識(shí)別后成功識(shí)別到車標(biāo)區(qū)域的效果。

2 車標(biāo)樣本選擇及分類器訓(xùn)練

目前Adaboost算法支持的特征主要囊括了Haar特征、LBP特征和HOG特征，與文獻(xiàn)[9]不同的是，本文并非選用Haar特征，而是選用HOG特征進(jìn)行訓(xùn)練。HOG特征[10]是一種通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來(lái)對(duì)物體進(jìn)行檢測(cè)的特征描述子，所以在面對(duì)圖像的幾何形變和光學(xué)形變時(shí)都擁有較好的魯棒性。

本文選用opencv自帶的opencv_traincascade程序?qū)崿F(xiàn)對(duì)寶馬、奧迪、本田、豐田、現(xiàn)代、大眾六種常見(jiàn)車標(biāo)品牌分類器的訓(xùn)練。詳細(xì)的訓(xùn)練樣本數(shù)和測(cè)試樣本數(shù)如表1所示。所有用于訓(xùn)練和測(cè)試的樣本均來(lái)源于實(shí)景拍攝及網(wǎng)絡(luò)搜集，并涵蓋了在夜晚光源較差、雨霧天氣拍攝不清晰、手抖拍攝模糊、側(cè)面拍攝等極端情況下的車標(biāo)樣本。如圖4為訓(xùn)練時(shí)采用的部分正樣本車標(biāo)。各類車標(biāo)分類器的具體訓(xùn)練流程如圖5所示。

3 系統(tǒng)設(shè)計(jì)及開發(fā)

3.1 系統(tǒng)實(shí)現(xiàn)

首先，系統(tǒng)獲取到圖像后，將對(duì)圖像進(jìn)行一系列的預(yù)處理操作，且每種分類器均含兩種以上的預(yù)處理方式。隨后再利用各類車標(biāo)分類器依次進(jìn)行識(shí)別。其次，對(duì)于某類分類器識(shí)別出的車標(biāo)區(qū)域系統(tǒng)將進(jìn)行第一次排查，獲取識(shí)別區(qū)域的HOG特征與事先準(zhǔn)備好的品牌車標(biāo)進(jìn)行余弦相似度比對(duì)，排除相似度低于0.65的區(qū)域，并在余下區(qū)域中取出相似度最高的區(qū)域作為一個(gè)結(jié)果輸出。最后，待圖像經(jīng)過(guò)六類分類器識(shí)別完成后，系統(tǒng)將選取六個(gè)輸出結(jié)果中相似度最大的值所對(duì)應(yīng)的車標(biāo)作為最終的識(shí)別結(jié)果，并在原圖像中框選出所識(shí)別到的車標(biāo)區(qū)域，顯示相關(guān)的品牌信息。整個(gè)系統(tǒng)的車標(biāo)識(shí)別過(guò)程如圖6所示。

3.2 系統(tǒng)測(cè)試

選取六類車標(biāo)各60張，及60張除此六類車標(biāo)外的其他車標(biāo)和無(wú)車標(biāo)圖像組成測(cè)試集，對(duì)系統(tǒng)的識(shí)別準(zhǔn)確率進(jìn)行檢測(cè)。表2是由測(cè)試得出的各類車標(biāo)分類器的識(shí)別率統(tǒng)計(jì)表。

可以發(fā)現(xiàn)，部分車標(biāo)仍然無(wú)法被正確分類或識(shí)別。經(jīng)過(guò)分析得出，多數(shù)識(shí)別失敗的測(cè)試樣本為側(cè)面拍攝圖像或光線較弱圖像，而多數(shù)分類錯(cuò)誤的圖像也同樣是因?yàn)閭?cè)面拍攝的緣故。經(jīng)實(shí)驗(yàn)，部分側(cè)面拍攝圖像雖車標(biāo)區(qū)域識(shí)別成功，但在進(jìn)行相似度匹配時(shí)卻因?yàn)閭?cè)面拍攝緣故，導(dǎo)致相似度低于其他車標(biāo)識(shí)別器所識(shí)別出的區(qū)域得到的相似度，也因此導(dǎo)致了誤識(shí)別。

3.3 系統(tǒng)交互設(shè)計(jì)

綜合上述車標(biāo)識(shí)別流程，在Windows平臺(tái)上，選用MFC結(jié)合OpenCV的方式完成了車標(biāo)識(shí)別系統(tǒng)的搭建，系統(tǒng)的具體實(shí)現(xiàn)效果如下：

點(diǎn)擊“上傳圖片”按鈕選取圖片后點(diǎn)擊“開始識(shí)別”，系統(tǒng)將提示用戶“正在識(shí)別中……”。識(shí)別完成后，若成功識(shí)別出車標(biāo)，則系統(tǒng)會(huì)在原圖中標(biāo)注出所識(shí)別出的車標(biāo)區(qū)域，效果如圖7所示，若系統(tǒng)識(shí)別結(jié)果并非六種車標(biāo)中的一種或是并不含車標(biāo)，則提示用戶“對(duì)不起，未能識(shí)別出車標(biāo)品牌”，效果如圖8所示。

從系統(tǒng)車標(biāo)識(shí)別的結(jié)果來(lái)看，該方法的車標(biāo)識(shí)別達(dá)到了預(yù)期的效果。雖仍然存在一定的誤檢和漏檢情況，但此方法還是存在其應(yīng)用價(jià)值的。

4 結(jié)束語(yǔ)

本文選取基于HOG特征的Adaboost算法進(jìn)行車標(biāo)級(jí)聯(lián)分類器的訓(xùn)練，最終以一對(duì)多的方式實(shí)現(xiàn)了對(duì)寶馬、奧迪、本田、豐田、現(xiàn)代、大眾六種常見(jiàn)車標(biāo)的識(shí)別。并設(shè)計(jì)了基于MFC的車標(biāo)識(shí)別系統(tǒng)，實(shí)現(xiàn)圖片上傳系統(tǒng)后可以直接識(shí)別車標(biāo)，顯示車標(biāo)相關(guān)品牌信息。

實(shí)驗(yàn)表明，系統(tǒng)依舊存在不足之處，如車標(biāo)品牌的數(shù)目太少還需增加，對(duì)極端情況下進(jìn)行車標(biāo)識(shí)別的魯棒性還可以增強(qiáng)等。后期考慮結(jié)合使用SVM的方式來(lái)實(shí)現(xiàn)對(duì)所識(shí)別車標(biāo)區(qū)域的分類，提高分類的準(zhǔn)確度。

參考文獻(xiàn)（References）：

[1] 莊永，楊紅雨，游志勝等.一種快速車標(biāo)定位方法[J]. 四川大學(xué)學(xué)報(bào)（自然科學(xué)版），2004.41（6）：1167-1171

[2] 劉直芳，王運(yùn)瓊.一種簡(jiǎn)單快速的車標(biāo)定位方法[J].計(jì)算機(jī)應(yīng)用，2009.29（5）：1344-1346

[3] 李俠，李文舉，孫娟紅等.基于模板匹配和邊緣檢測(cè)的車標(biāo)定位方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2011.32（10）：3453-3456

[4] 魯豐，劉蕓，張仁輝.基于改進(jìn)HOG特征值的車標(biāo)檢測(cè)與識(shí)別方法[J].光通信研究，2012.38（5）：26-29

[5] 張素雯，張永輝，楊潔等.一種基于LBP與HOG聯(lián)合特征的車標(biāo)識(shí)別方法[J].網(wǎng)絡(luò)新媒體技術(shù)，2016.5（6）：49-55

[6] 李哲，于夢(mèng)茹.基于多種LBP特征集成學(xué)習(xí)的車標(biāo)識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2019.55（20）：134-138

[7] 耿慶田，趙浩宇，王宇婷等.基于改進(jìn)SIFT特征提取的車標(biāo)識(shí)別[J].光學(xué)精密工程，2018.26（5）：1267-1274

[8] Thubsaeng W， Kawewong A， Patanukhom K. Vehicle logodetection using convolutional neural network and pyramid of histogram of oriented gradients[C].Computer Science and Software Engineering.2014 11th International Joint Conference on Computer Science and Software Engineering（JCSSE）， USA：IEEE，2014：34-39

[9] 張碩.基于Adaboost的車標(biāo)識(shí)別方法研究[J].中國(guó)安防，2014.5：85-89

[10] Dalal N， Triggs B. Histogram of oriented gradient forhuman detection[C]. Computer Society. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR'05）， USA：IEEE，2005：886-893